情绪识别模型建立方法、情绪识别方法及装置、智能设备的制造方法

情绪识别模型建立方法、情绪识别方法及装置、智能设备的制造方法
【专利摘要】本发明提供了一种情绪识别模型建立方法、情绪识别方法及装置、智能设备，其中，情绪识别模型建立方法包括，获取被测者处于不同情绪时的情绪特征信息；对情绪特征信息进行分类，得到模型训练数据；对模型训练数据进行学习训练，得到训练模型；对训练模型进行模型验证，并根据验证结果对训练模型的分类参数进行修正，得到情绪识别模型。本发明根据处于不同情绪时的情绪特征信息得到的模型训练数据进行模型训练，并通过对得到的训练模型进行模型验证，选择最优参数对模型进行修正，实现能够准确识别的情绪识别模型的建立。
【专利说明】
情绪识别模型建立方法、情绪识别方法及装置、智能设备
技术领域
[0001] 本发明涉及智能硬件技术领域，尤其涉及一种情绪识别模型建立方法及装置、情 绪识别方法及装置以及智能设备。
【背景技术】
[0002] 情绪是一种综合了人的感觉、思想和行为的状态，它包括人对外界或自身刺激的 心理反应，也包括伴随这种心理反应的生理反应。
[0003] 随着人机交互技术的发展，传统的人机交互技术已经逐渐向着智能交互、自然交 互等方向转变。人机交互关注的重点也从定义交互方式，设计交互语义等发展为关注用户 情绪，进而挖掘用户隐式需求等。实现自然人机交互的主要任务之一在于使计算机能够在 与用户交互的过程中自然地感知用户的情绪，追踪其情绪变化，进而更主观地与其进行思 想上的交流及互动，或者推测用户内心的基本意愿等。由此可以看出，情绪识别在自然人机 交互中具有十分重要的意义。
[0004] 现有技术中，情绪识别的方法主要有自我报告法、自主神经系统测量、行为测量和 脑测量等方式，其中脑测量相对有较高的识别率，不易伪装，因此被越来越多的应用到情绪 识别研究中。其中，采用脑测量进行情绪识别的方式就是借助仪器、设备等辅助工具对人体 进行综合评价来实现情绪识别，但是，由于个体差异较大，因此很难确保识别结果的客观和 准确。

【发明内容】

[0005] 本发明所解决的技术问题为如何客观、准确地实现情绪的识别。
[0006] 第一方面，本发明提供了一种情绪识别模型建立方法，包括：
[0007] 获取被测者处于不同情绪时的情绪特征信息；
[0008]对情绪特征信息进行分类，得到模型训练数据；
[0009] 对所述模型训练数据进行学习训练，得到训练模型；
[0010] 对所述训练模型进行模型验证，并根据验证结果对所述训练模型的分类参数进行 修正，得到情绪识别模型。
[0011] 第二方面，本发明提供了一种情绪识别方法，包括：
[0012] 采集被测者的当前脑电信号；
[0013]提取采集到的当前脑电信号中的有效脑电信号；
[0014] 确定所述有效脑电信号的信号频段，并将所述信号频段对应的频段特征作为情绪 特征信息；
[0015] 采用根据上述情绪识别模型建立方法建立的情绪识别模型对所述情绪特征信息 进行特征识别，根据识别结果确定所述被测者的情绪类型。
[0016] 第三方面，本发明提供了一种情绪识别模型建立装置，包括：
[0017] 获取单元，用于获取被测者处于不同情绪时的情绪特征信息；
[0018] 分类单元，用于对获取单元获取的情绪特征信息进行分类，得到模型训练数据；
[0019] 模型训练单元，用于对所述模型训练数据进行学习训练，得到训练模型；
[0020] 修正单元，用于对所述模型训练单元得到的训练模型进行模型验证，并根据验证 结果对所述训练模型的分类参数进行修正，得到情绪识别模型。
[0021 ]第四方面，本发明提供了一种情绪识别装置，包括：
[0022]采集单元，用于采集被测者的当前脑电信号；
[0023] 预处理单元，用于提取采集到的当前脑电信号中的有效脑电信号；
[0024] 特征提取单元，用于确定所述预处理单元得到的有效脑电信号的信号频段，并将 所述信号频段对应的频段特征作为情绪特征信息；
[0025] 识别单元，用于采用根据上述情绪识别模型建立装置建立的情绪识别模型对所述 情绪特征信息进行特征识别，根据识别结果确定所述被测者的情绪类型。
[0026] 第五方面，本发明提供了一种情绪识别可穿戴设备，包括上述的情绪识别装置。
[0027] 由上述技术方案可知，本发明实施例中的情绪识别模型建立方法及装置，根据处 于不同情绪时的情绪特征信息得到的模型训练数据进行模型训练，并通过对得到的训练模 型进行模型验证，选择最优参数对模型进行修正，以实现能够准确识别的情绪识别模型的 建立，进而客观、准确地实现情绪的识别。
[0028] 而且本发明实施例提供的情绪识别方法及装置、智能设备，采用上述识别模型，采 用脑电信号的信号频段对应的频段特征作为情绪特征信息，并采用情绪识别模型对情绪特 征信息进行分类识别，避免了由于被测者个体差异较大导致的情绪识别不准确的问题，客 观、准确地实现情绪的识别。
[0029] 当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优 点。
【附图说明】
[0030] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些图获得其他的附图。
[0031 ]图1为本发明实施例一种情绪识别模型建立方法的流程图；
[0032] 图2为本发明另一实施例一种情绪识别模型建立方法的流程图；
[0033] 图3为本发明实施例一种情绪识别模型建立方法中步骤SI 1的细分流程图；
[0034] 图4为本发明实施例一种情绪识别方法的流程图；
[0035] 图5为本发明实施例一种情绪识别模型建立装置的结构框图；
[0036] 图6为本发明实施例一种情绪识别模型建立装置中获取单元的结构框图；
[0037] 图7为本发明实施例一种情绪识别装置的结构框图。
【具体实施方式】
[0038]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0039] 为了解决现有技术中，由于被测者个体差异较大导致的情绪识别不准确的问题， 本发明实施例提出了一种情绪识别模型建立方法，以建立能够准确进行识别的情绪识别模 型，客观、准确地实现情绪的识别。
[0040] 图1为本发明实施例一种情绪识别模型建立方法的流程图。参照图1，本发明实施 例提出的情绪识别模型建立方法，具体包括以下步骤：
[0041] S11、获取被测者处于不同情绪时的情绪特征信息。
[0042] 本实施例中，情绪特征信息为能够体现被测者所处于的情绪的特征信息。在实际 应用中，可以通过音乐、视频、图片等方式诱发用户产生特定类型的情绪。并在用户产生特 定类型的情绪时，获取被测者处于不同情绪时的情绪特征信息。
[0043] 可理解的是，被测者可以为相同被测者，也可以为不同被测者;但为了增加信息的 可信度，优选为不同被测者。
[0044] S12、对步骤S11获取的情绪特征信息进行分类，得到模型训练数据。
[0045] 在实际应用中，由于在模型训练时需要对样本的类别进行标注，因此，当获取到被 测者处于不同情绪时的多个情绪特征信息后，需要根据各情绪特征信息采集时被测者对应 的情绪对其进行分类，得到对情绪类型进行标注的模型训练数据。
[0046] S13、对所述模型训练数据进行学习训练，得到训练模型。
[0047]具体的，可通过支持向量机、神经网络、决策树、贝叶斯网络、K近邻以及隐马尔科 夫等算法模型，对所述模型训练数据进行学习训练，以得到训练模型。
[0048] S14、对所述训练模型进行模型验证，并根据验证结果对所述训练模型的分类参数 进行修正，得到情绪识别模型。
[0049] 为了保证建立的情绪识别模型具有最优的分类参数，本发明实施例中还包括有对 训练模型进行模型验证的步骤，通过对训练模型进行模型验证，并根据验证结果对训练模 型的分类参数进行修正，以得到能够客观、准确地实现情绪识别的情绪识别模型。
[0050] 本发明实施例提供的情绪识别模型建立方法，根据处于不同情绪时的情绪特征信 息得到的模型训练数据进行模型训练，并通过对得到的训练模型进行模型验证，选择最优 参数对模型进行修正，以建立能够准确识别的情绪识别模型，客观、准确地实现情绪的识 别。
[0051] 图2为本发明另一实施例一种情绪识别模型建立方法的流程图。参照图2,本发明 实施例提出的情绪识别模型建立方法，具体包括以下步骤：
[0052] S21、获取被测者处于不同情绪时的情绪特征信息。
[0053] S22、对情绪特征信息进行分类，得到模型训练数据。
[0054]步骤S21~S22与图1所示的实施方式的步骤S11~S12相同，在此不再赘述。
[0055] S23、采用支持向量机算法对所述模型训练数据进行学习训练，得到训练模型，所 述支持向量机算法采用径向基核函数作为情绪分类的核函数。
[0056] 需要说明的是，支持向量机（Support Vector Machine,SVM)的核心思想是将在低 维上不可分的数据集映射到高维空间上，找出不同类别间使边缘最大化的超平面，从而反 过来实现对低维空间上样本的分类。通过控制核函数进一步决定判决边界的线性或非线 性，线性核支持向量机的复杂度相对非线性核来说较低，但非线性核支持向量机在很多情 况下能够更好的拟合出不同类别间的边界。常见的核函数包括线性核、多项式核、径向基函 数核等。
[0057] 本发明实施例中，采用径向基核函数(Radial Basis Function简称RBF)作为情绪 分类的核函数。所谓径向基函数，就是某种沿径向对称的标量函数。通常定义为空间中任一 点x到某一中心Xl之间欧氏距离的单调函数，可记作k(| |x_Xl| |)，其作用往往是局部的，即 当x远离以时函数取值很小。最常用的径向基函数是高斯核函数，形式为k(| |x-Xl| |)=exp {-| |x-Xl| |2/(〇2)}其中Xi为核函数中心，〇为函数的宽度参数，控制了函数的径向作用范 围。RBF核函数有两个参数:误差惩罚因子C和宽度参数〇。
[0058]本发明实施例采用基于径向基核函数作为情绪分类的核函数的支持向量机算法 对所述模型训练数据进行学习训练，从而准确地进行情绪识别模型的建立，确保分类、识别 的准确性。
[0059] S24、对所述训练模型进行模型验证，并根据验证结果对所述训练模型的分类参数 进行修正，得到情绪识别模型。
[0060] 步骤S24与图1所示的实施方式的步骤S14相同，在此不再赘述。
[0061] 本发明实施例提供的情绪识别模型建立方法，采用支持向量机算法对所述模型训 练数据进行学习训练，得到训练模型，其中，所述支持向量机算法采用径向基核函数作为情 绪分类的核函数。由于支持向量机算法在解决小样本问题、非线性问题及高维模式识别中 都表现出许多特有的优势，因此，本发明实施例采用支持向量机算法进行模型训练，进而建 立能够准确识别的情绪识别模型，有效地确保分类、识别的客观、准确。
[0062] 在本发明的一个可选实施例中，如图3所示，步骤S11中的获取被测者处于不同情 绪时的情绪特征信息，进一步包括以下步骤：
[0063] S111、采集被测者处于不同情绪时产生的脑电信号。
[0064] 在实际应用中，脑电信号可以通过将电极置于头皮处进行采集。其中，本实施例中 的被测者处于不同情绪时产生的脑电信号，具体为被测者在不同情绪诱发条件下处于不同 情绪时产生的脑电信号。
[0065] S112、提取采集到的各脑电信号中的有效脑电信号。
[0066] 其中，本发明实施例中，由于脑电信号在采集过程中很容易受到其他噪声信号的 干扰，包括眼电、肌电、心电、工频干扰、电磁干扰等。因此，需要对其进行预处理，去除脑电 信号中所掺杂的伪迹，以提取采集到的各脑电信号中的有效脑电信号。由于工频干扰和电 磁干扰往往发生在高频段，可以通过带通滤波或低通滤波的方式将容易产生干扰的频段过 滤掉，只保留有效的频段的脑电信号。因此，有效脑电信号的提取，具体通过以下方式实现： 根据预设干扰频段通过带通滤波或低通滤波分别对采集的脑电信号进行滤波处理，并从滤 波处理后的信号中分别提取各被测者的有效脑电信号。
[0067] 进一步地，上述从滤波处理后的信号中分别提取各被测者的有效脑电信号的步 骤，具体包括:采用主成分分析算法或独立成分分析算法从滤波处理后的信号中分别提取 各被测者的有效脑电信号。在一个具体实施例中，在有效脑电信号的提取过程中，对于不易 通过滤波去除的伪迹，可以采用独立成分分析、主成分分析等方法，找出干扰信号并将其与 脑电信号分离开，进而提取出有效脑电信号。
[0068] S113、确定各有效脑电信号的信号频段，并将各有效脑电信号的信号频段对应的 频段特征作为对应被测者的情绪特征信息。
[0069] 需要说明的是，本发明实时中的频段特征可以为有效脑电信号的信号频段对应的 频率能量、功率谱、样本熵和近似熵等特征，本发明对此不做具体限定。
[0070] 本发明实施例中，通过有效脑电信号的提取，以及将各有效脑电信号的信号频段 对应的频段特征，如频率能量，作为对应被测者的情绪特征信息，能够避免情绪特征信息不 准确，与真实情绪对应的特征偏差较大的问题，确保获取的情绪特征信息的准确、可靠。
[0071] 进一步地，在步骤S111中的采集被测者处于不同情绪时产生的脑电信号之后，所 述方法还包括以下步骤:对采集到的各脑电信号进行放大处理。在实际应用中，由于步骤 S111中采集的脑信号十分微弱，因此需要对采集到的信号进行放大，以确保步骤S112中能 够准确地实现对采集到的各脑电信号中的有效脑电信号的提取，以进行后续识别。
[0072]在本发明的一个可选实施例中，在步骤S13中对所述模型训练数据进行学习训练， 得到训练模型之后，所述方法还包括以下步骤：
[0073] 采用所述训练模型对测试样本进行识别，并判断所述训练模型的识别成功率是否 大于识别阈值。其中，本实施例中的测试样本可以为预先设置的，也可以将模型训练数据中 的部分数据作为测试样本。若判断结果为否，则执行步骤S14中对训练模型进行模型验证的 步骤。
[0074] 在实际应用中，由于不同的应用场景对模型的识别成功率要求不同，为了在满足 应用场景对识别成功率要求的前提下，尽量降低模型建立过程的耗时，本发明实施例中，通 过采用训练模型对预先设置好的测试样本进行识别，并在训练模型的识别成功率大于识别 阈值，即满足应用场景对模型的识别精度要求时，停止学习训练过程，执行后续对训练模型 进行模型验证的步骤，节约建模时间。
[0075]在本发明的一个可选实施例中，在步骤S14中对所述训练模型进行模型验证，具体 包括:采用L00CV算法对所述训练模型进行模型验证。
[0076] 需要说明的是，L00CV(Leave-0ne_0ut Cross Validation)算法属于交叉验证 (Cross Validation，CV)的一种常见算法。其中，交叉验证是用来验证分类模型的性能的一 种统计分析方法，基本思想是在某种意义下将数据分成训练集和验证集，首先用训练集对 分类器进行训练，在利用验证集来测试训练得到的模型，以此作为评价分类器的性能指标。 [0077]可理解的是，采用L00CV算法对训练模型进行模型验证仅是一种优选的实现方案， 本领域技术人员还可采用其他交叉验证的算法实现对训练模型的模型验证，如Hold-Out Method、K-fold Cross Validation(记为K-CV)等，本发明对此不作具体限定。
[0078] L00CV算法时通过将每个样本单独作为一次测试集，剩余n-1个样本则作为训练 集，来实现模型验证。本发明实施例采用L00CV算法对所述训练模型进行模型验证，具有以 下优点：1、每一回合中几乎所有的样本皆用于训练模型，因此最接近母体样本的分布，估测 所得的整体误差比较可靠。2、实验过程中没有随机因素会影响实验数据，确保实验过程是 可以被复制的。
[0079] 此外，本发明还提供了一种利用上述任一实施例中的情绪识别模型建立方法建立 的情绪识别模型进行情绪识别的方法。图4为本发明实施例一种情绪识别方法的流程图，参 照图4,本发明实施例提出的情绪识别方法，具体包括以下步骤：
[0080] S41、采集被测者的当前脑电信号。
[0081 ]在实际应用中，脑电信号可以通过将电极置于头皮处进行采集。
[0082] S42、提取采集到的当前脑电信号中的有效脑电信号。
[0083] S43、确定所述有效脑电信号的信号频段，并将所述信号频段对应的频段特征作为 情绪特征信息。
[0084] S44、采用根据上述任一实施例中的情绪识别模型建立方法建立的情绪识别模型 对所述情绪特征信息进行特征识别，根据识别结果确定所述被测者的情绪类型。
[0085] 本发明实施例提供的情绪识别方法，将脑电信号的信号频段对应的频段特征作为 情绪特征信息，并采用情绪识别模型对情绪特征信息进行分类识别，避免了由于被测者个 体差异较大导致的情绪识别不准确的问题，客观、准确地实现情绪的识别。
[0086] 本发明实施例中，上述提取采集到的当前脑电信号中的有效脑电信号的步骤，具 体通过以下方式实现:根据所述预设干扰频段通过带通滤波或低通滤波对采集的当前脑电 信号进行滤波处理，并从滤波处理后的信号中提取被测者的有效脑电信号。进一步地，上述 从滤波处理后的信号中分别提取各被测者的有效脑电信号的步骤，具体包括:采用主成分 分析算法或独立成分分析算法从滤波处理后的信号中分别提取各被测者的有效脑电信号。
[0087] 本发明实施例中，通过有效脑电信号的提取，以及将通过主成分分析算法或独立 成分分析算法提取各被测者的有效脑电信号，能够准确地实现有效脑电信号的提取，以避 免后续得到的情绪特征信息不准确，或与真实情绪对应的特征偏差较大的问题，确进一步 保后续获取的情绪特征信息的准确、可靠。
[0088] 在本发明实施例中，最终识别出的情绪类型包括:睡眠状态、想象状态、安静状态、 放松状态、思考状态和激动状态中的任意一种。
[0089]其中，所述睡眠状态对应的脑电信号的信号频段为0. l-3Hz;所述想象状态对应的 脑电信号的信号频段为4-7Hz;所述安静状态对应的脑电信号的信号频段为8-12HZ;所述放 松状态对应的脑电信号的信号频段为13-15HZ;所述思考状态对应的脑电信号的信号频段 为16-20Hz;所述激动状态对应的脑电信号的信号频段为21 -30Hz。
[0090] 需要说明的是，当人处于不同的情绪状态时，脑电信号的信号频段与情绪类型具 有一定的对应关系，如表1所示。
[0091] 表1脑电信号的信号频段与情绪类型的对应关系
[0094]其中，可通过对特定状态大量样本的训练，确定不同情绪类型状态对应的脑电信 号的信号频段数值范围。可见，滤波处理后的脑电信号通过小波分析处理，得到6个常用频 段信号，通过计算各有效脑电信号的信号频段对应的频段特征，并将其作为对应被测者的 情绪特征信息，有效地保证各个脑电信号的信号频段的识别。
[0095]需要说明的是，本发明实施例中的情绪类型以及对应的信号频段，仅用于举例说 明，本领域技术人员可以根据实际需求设置其他脑电信号的信号频段对应的情绪类型，或 将其中某一信号频段进一步划分为更加具体的情绪类型，本发明对此不做具体限定。
[0096]进一步地，在步骤S41中采集被测者的当前脑电信号之后，该方法还包括:对采集 到的当前脑电信号进行放大处理。在实际应用中，由于测试过程中采集的脑信号十分微弱， 因此需要对采集到的信号进行放大，以确保后续能够准确地实现对采集到的各脑电信号中 有效脑电信号的提取，以进行后续识别。
[0097]另外，对于上述方法实施例，为了简单描述，故将其都表述为一系列的动作组合， 但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，其次，本领域技术 人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是 本发明所必须的。
[0098]基于与方法同样的发明构思，本发明实施例还提供一种情绪识别模型建立装置。 图5为本发明实施例一种情绪识别模型建立装置的结构框图。参见图5,本发明实施例提出 的情绪识别模型建立装置，包括:获取单元501、分类单元502、模型训练单元503以及修正单 元504,其中，获取单元501用于获取被测者处于不同情绪时的情绪特征信息；分类单元502 用于对获取单元501获取的情绪特征信息进行分类，得到模型训练数据;模型训练单元503 用于对所述模型训练数据进行学习训练，得到训练模型;修正单元504用于对模型训练单元 503得到的训练模型进行模型验证，并根据验证结果对训练模型的分类参数进行修正，得到 情绪识别模型。
[0099] 在本发明的一个可选实施例中，模型训练单元503具体用于采用支持向量机算法 对所述模型训练数据进行学习训练，得到训练模型，所述支持向量机算法采用径向基核函 数作为情绪分类的核函数。
[0100] 在本发明的一个可选实施例中，如图6所示，获取单元501，包括采集模块5011、预 处理模块5012以及特征提取模块5013，其中，采集模块5011用于采集被测者处于不同情绪 时产生的脑电信号;预处理模块5012用于提取采集到的各脑电信号中的有效脑电信号;特 征提取模块5013用于确定各个有效脑电信号的信号频段，并将各有效脑电信号的信号频段 对应的频段特征作为对应被测者的情绪特征信息。
[0101] 在实际应用中，采集模块5011可以通过将电极置于头皮处进行脑电信号的采集。 其中，本实施例中的被测者处于不同情绪时产生的脑电信号，具体为被测者在不同情绪诱 发条件下处于不同情绪时产生的脑电信号。预处理模块5012具体用于根据预设干扰频段通 过带通滤波或低通滤波分别对采集的脑电信号进行滤波处理，并从滤波处理后的信号中分 别提取各被测者的有效脑电信号。其中，从滤波处理后的信号中分别提取各被测者的有效 脑电信号具体为采用主成分分析算法或独立成分分析算法从滤波处理后的信号中分别提 取各被测者的有效脑电信号。
[0102] 本发明实施例中，通过有效脑电信号的提取，以及将各有效脑电信号的信号频段 对应的频段特征作为对应被测者的情绪特征信息，能够避免情绪特征信息不准确，与真实 情绪对应的特征偏差较大的问题，确保获取的情绪特征信息的准确、可靠。
[0103] 在本发明的一个可选实施例中，该装置还包括附图中未示出的放大单元，该放大 单元，用于在所述采集被测者处于不同情绪时产生的脑电信号之后，对采集到的脑电信号 进行放大处理。在实际应用中，由于采集模块5011采集的脑信号十分微弱，因此需要对采集 到的信号进行放大，以确保预处理模块5012能够准确地实现对采集到的各脑电信号中的有 效脑电信号的提取，以进行后续识别。
[0104] 在本发明的一个可选实施例中，该装置还包括附图中未示出的判断单元，该判断 单元，用于在模型训练单元503对模型训练数据进行学习训练，得到训练模型之后，采用训 练模型对测试样本进行识别，并判断训练模型的识别成功率是否大于识别阈值;相应地，修 正单元504,用于在判断单元的判断结果为识别成功率小于或等于所述识别阈值时，执行所 述对所述训练模型进行模型验证的操作。
[0105] 在实际应用中，由于不同的应用场景对模型的识别成功率要求不同，为了在满足 应用场景对识别成功率要求的前提下，尽量降低模型建立过程的耗时，本发明实施例中，通 过采用训练模型对预先设置好的测试样本进行识别，并在训练模型的识别成功率大于识别 阈值，即满足应用场景对模型的识别精度要求时，停止学习训练过程，执行后续对训练模型 进行模型验证的步骤，节约建模时间。
[0106] 在本发明的一个可选实施例中，修正单元504具体用于采用L00CV算法对所述训练 模型进行模型验证。本发明实施例采用L00CV算法对所述训练模型进行模型验证，具有以下 优点：1、每一回合中几乎所有的样本皆用于训练模型，因此最接近母体样本的分布，估测所 得的整体误差比较可靠。2、实验过程中没有随机因素会影响实验数据，确保实验过程是可 以被复制的。
[0107] 基于与另一方法同样的发明构思，本发明实施例还提供一种情绪识别装置。图7为 本发明实施例一种情绪识别装置的结构框图，参见图7,本发明实施例提出的情绪识别装 置，包括采集单元701、预处理单元702、特征提取单元703以及识别单元704:采集单元701用 于采集被测者的当前脑电信号;预处理单元702用于提取采集到的当前脑电信号中的有效 脑电信号;特征提取单元703用于确定所述预处理单元得到的有效脑电信号的信号频段，并 将所述信号频段对应的频段特征作为情绪特征信息；识别单元704用于采用根据上述情绪 识别模型建立装置建立的情绪识别模型对所述情绪特征信息进行特征识别，根据识别结果 确定所述被测者的情绪类型。
[0108] 本发明实施例提供的情绪识别装置，特征提取单元703将脑电信号的信号频段对 应的频段特征作为情绪特征信息，以供识别单元704采用上述任一实施例提供的情绪识别 模型建立装置建立的情绪识别模型对情绪特征信息进行分类识别，避免了由于被测者个体 差异较大导致的情绪识别不准确的问题，客观、准确地实现情绪的识别。
[0109]在一个具体实施例中，预处理单元702具体用于根据所述预设干扰频段通过带通 滤波或低通滤波对采集的当前脑电信号进行滤波处理，并从滤波处理后的信号中提取被测 者的有效脑电信号。其中，从滤波处理后的信号中分别提取各被测者的有效脑电信号的步 骤，具体为采用主成分分析算法或独立成分分析算法从滤波处理后的信号中分别提取各被 测者的有效脑电信号。
[0110] 本发明实施例中，通过有效脑电信号的提取，以及将通过主成分分析算法或独立 成分分析算法提取各被测者的有效脑电信号，能够准确地实现有效脑电信号的提取，以避 免后续得到的情绪特征信息不准确，或与真实情绪对应的特征偏差较大的问题，确进一步 保后续获取的情绪特征信息的准确、可靠。
[0111] 在本发明实施例中，情绪类型包括:睡眠状态、想象状态、安静状态、放松状态、思 考状态和激动状态中的任意一种。其中，睡眠状态对应的脑电信号的信号频段为0.1-3HZ; 想象状态对应的脑电信号的信号频段为4-7Hz;安静状态对应的脑电信号的信号频段为8-12Hz;放松状态对应的脑电信号的信号频段为13-15HZ;思考状态对应的脑电信号的信号频 段为16-20Hz;激动状态对应的脑电信号的信号频段为21 -30Hz。
[0112] 在本发明的一个可选实施例中，该装置还包括附图中未示出的放大单元，该放大 单元用于在所述采集被测者的当前脑电信号之后，对采集到的当前脑电信号进行放大处 理。在实际应用中，由于测试过程中采集的脑信号十分微弱，因此需要对采集到的信号进行 放大，以确保后续能够准确地实现对采集到的各脑电信号中有效脑电信号的提取，以进行 后续识别。
[0113] 对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关 之处参见方法实施例的部分说明即可。
[0114] 基于同样的发明构思，本发明实施例提供一种包括上述任意一种情绪识别装置的 情绪识别可穿戴设备。该情绪识别可穿戴设备可以为：智能手环、智能眼镜以及智能头盔等 可穿戴设备，对此，本发明实施例不做具体限定。该情绪识别可穿戴设备由于包括上述任意 一种情绪识别装置，因而可以解决同样的技术问题，并取得相同的技术效果。
[0115] 由上述技术方案可知，本发明实施例中的情绪识别模型建立方法及装置，根据处 于不同情绪时的情绪特征信息得到的模型训练数据进行模型训练，并通过对得到的训练模 型进行模型验证，选择最优参数对模型进行修正，以建立能够准确识别的情绪识别模型，客 观、准确地实现情绪的识别。
[0116] 而且本发明实施例提供的情绪识别方法及装置、智能设备，采用上述识别模型，采 用脑电信号的信号频段对应的频段特征作为情绪特征信息，并采用情绪识别模型对情绪特 征信息进行分类识别，避免了由于被测者个体差异较大导致的情绪识别不准确的问题，客 观、准确地实现情绪的识别。
[0117] 以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可 以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单 元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其 中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性 的劳动的情况下，即可以理解并实施。
[0118] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可 借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上 述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该 计算机软件产品可以存储在计算机可读存储介质中，如R0M/RAM、磁碟、光盘等，包括若干指 令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施 例或者实施例的某些部分所述的方法。
[0119] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制;尽管 参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解:其依然可 以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换； 而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和 范围。
【主权项】
1. 一种情绪识别模型建立方法，其特征在于，包括： 获取被测者处于不同情绪时的情绪特征信息； 对情绪特征信息进行分类，得到模型训练数据； 对所述模型训练数据进行学习训练，得到训练模型； 对所述训练模型进行模型验证，并根据验证结果对所述训练模型的分类参数进行修 正，得到情绪识别模型。2. 根据权利要求1所述的情绪识别模型建立方法，其特征在于，所述对所述模型训练数 据进行学习训练，得到训练模型，包括： 采用支持向量机算法对所述模型训练数据进行学习训练，得到训练模型，所述支持向 量机算法采用径向基核函数作为情绪分类的核函数。3. 根据权利要求1所述的情绪识别模型建立方法，其特征在于，所述获取被测者处于不 同情绪时的情绪特征信息，包括： 采集被测者处于不同情绪时产生的脑电信号； 提取采集到的各脑电信号中的有效脑电信号； 确定各有效脑电信号的信号频段，并将各有效脑电信号的信号频段对应的频段特征作 为对应被测者的情绪特征信息。4. 根据权利要求3所述的情绪识别模型建立方法，其特征在于，所述提取采集到的各脑 电信号中的有效脑电信号，包括： 根据预设干扰频段通过带通滤波或低通滤波分别对采集的脑电信号进行滤波处理，并 从滤波处理后的信号中分别提取各被测者的有效脑电信号。5. 根据权利要求4所述的情绪识别模型建立方法，其特征在于，所述从滤波处理后的信 号中分别提取各被测者的有效脑电信号，包括： 采用主成分分析算法或独立成分分析算法从滤波处理后的信号中分别提取各被测者 的有效脑电信号。6. 根据权利要求3所述的情绪识别模型建立方法，其特征在于，在所述采集被测者处于 不同情绪时产生的脑电信号之后，所述方法还包括： 对采集到的各脑电信号进行放大处理。7. 根据权利要求1所述的情绪识别模型建立方法，其特征在于，在所述对所述模型训练 数据进行学习训练，得到训练模型之后，所述方法还包括： 采用所述训练模型对测试样本进行识别，并判断所述训练模型的识别成功率是否大于 识别阈值； 若判断结果为否，则执行所述对所述训练模型进行模型验证的步骤。8. 根据权利要求1至7中任一项所述的情绪识别模型建立方法，其特征在于，所述对所 述训练模型进行模型验证，包括： 采用LOOCV算法对所述训练模型进行模型验证。9. 一种情绪识别方法，其特征在于，包括： 采集被测者的当前脑电信号； 提取采集到的当前脑电信号中的有效脑电信号； 确定所述有效脑电信号的信号频段，并将所述信号频段对应的频段特征作为情绪特征 信息； 采用根据权利要求1至8中任一项所述的情绪识别模型建立方法建立的情绪识别模型 对所述情绪特征信息进行特征识别，根据识别结果确定所述被测者的情绪类型。10. 根据权利要求9所述的情绪识别方法，其特征在于，所述提取采集到的当前脑电信 号中的有效脑电信号，包括： 根据所述预设干扰频段通过带通滤波或低通滤波对采集的当前脑电信号进行滤波处 理，并从滤波处理后的信号中提取被测者的有效脑电信号。11. 根据权利要求10所述的情绪识别方法，其特征在于，所述从滤波处理后的信号中提 取被测者的有效脑电信号，包括： 采用主成分分析算法或独立成分分析算法从滤波处理后的信号中提取被测者的有效 脑电信号。12. 根据权利要求9所述的情绪识别方法，其特征在于，所述情绪类型包括:睡眠状态、 想象状态、安静状态、放松状态、思考状态和激动状态中的任意一种。13. 根据权利要求12所述的情绪识别方法，其特征在于，所述睡眠状态对应的脑电信号 的信号频段为0.1-3HZ;所述想象状态对应的脑电信号的信号频段为4-7Hz;所述安静状态 对应的脑电信号的信号频段为8-12HZ;所述放松状态对应的脑电信号的信号频段为13-15Hz;所述思考状态对应的脑电信号的信号频段为16-20Hz;所述激动状态对应的脑电信号 的信号频段为21-30HZ。14. 根据权利要求9至13中任一项所述的情绪识别方法，其特征在于，在所述采集被测 者的当前脑电信号之后，所述方法还包括： 对采集到的当前脑电信号进行放大处理。15. -种情绪识别模型建立装置，其特征在于，包括： 获取单元，用于获取被测者处于不同情绪时的情绪特征信息； 分类单元，用于对获取单元获取的情绪特征信息进行分类，得到模型训练数据； 模型训练单元，用于对所述模型训练数据进行学习训练，得到训练模型； 修正单元，用于对所述模型训练单元得到的训练模型进行模型验证，并根据验证结果 对所述训练模型的分类参数进行修正，得到情绪识别模型。16. -种情绪识别装置，其特征在于，包括： 采集单元，用于采集被测者的当前脑电信号； 预处理单元，用于提取采集到的当前脑电信号中的有效脑电信号； 特征提取单元，用于确定所述预处理单元得到的有效脑电信号的信号频段，并将所述 信号频段对应的频段特征作为情绪特征信息； 识别单元，用于采用根据权利要求15所述情绪识别模型建立装置建立的情绪识别模型 对所述情绪特征信息进行特征识别，根据识别结果确定所述被测者的情绪类型。17. -种情绪识别可穿戴设备，其特征在于，包括如权利要求16所述的情绪识别装置。
【文档编号】G06K9/62GK105894039SQ201610262080
【公开日】2016年8月24日
【申请日】2016年4月25日
【发明人】李慧
【申请人】京东方科技集团股份有限公司